yapay zekâ ile akıllı veri getirme
Production-agentic-rag-course, karmaşık veri kaynaklarından bilgi getirme süreçlerini otomatize eden ajan tabanlı getirme destekli üretim (agentic RAG) sistemlerinin geliştirilmesine yönelik uygulamalı bir eğitim sunuyor. Python dilini temel alan bu kaynak, ölçeklenebilir ve üretim seviyesinde yapay zekâ uygulamaları oluşturmak için gerekli teknik mimariyi öğretiyor.
Ne kazandırır?
- Üretim seviyesinde RAG sistemleri için gerekli altyapıyı kurma.
- Hibrit arama ve akıllı veri işleme yöntemlerini uygulama.
- LangGraph ile ajan tabanlı karar mekanizmaları geliştirme.
Kurulum
git clone <repository-url>
cd arxiv-paper-curator
# 2. Configure environment (IMPORTANT!)
cp .env.example .env
# The .env file contains all necessary configuration for OpenSearch,
# arXiv API, and service connections. Defaults work out of the box.
# You need to add Jina embeddings free api key and langfuse keys (check the blogs)
# 3. Install dependencies
uv sync
# 4. Start all services
docker compose up --build -d
# 5. Verify everything works
curl http://localhost:8000/api/v1/healthÇalıştırma
git clone --branch <WEEK_TAG> https://github.com/jamwithai/arxiv-paper-curator
cd arxiv-paper-curator
uv sync
docker compose down -v
docker compose up --build -d
# Replace <WEEK_TAG> with: week1.0, week2.0, etc.Kod bilmiyorsanız
Production-agentic-rag-course projesini kullanarak bir akademik araştırma asistanı geliştirmek istiyorum. Projenin temel kurulumu için git clone komutu ile depoyu indirdikten sonra .env dosyasını yapılandırıp uv sync ile bağımlılıkları yüklemem gerekiyor. Ardından docker compose up --build -d komutu ile tüm servisleri başlatarak http://localhost:8000/api/v1/health adresi üzerinden sistemin çalıştığını doğrulamak istiyorum. Bu süreçte dikkat etmem gereken API anahtarları ve servis yapılandırmaları hakkında bana rehberlik eder misin?
Bağlantılar
İlgili sözlük terimleri
TreScout bu aracı geliştirmedi · GitHub trendlerinde keşfedip Türkçe tanıttı. Yıldız ve sayılar keşif tarihindeki değerlerdir.